基于SNIC超像素融合纹理特征和上下文内容的显著性目标检测算法

针对显著性目标检测算法在面对复杂场景图像时存在背景错误凸显和不能凸显纹理细节的问题,提出一种改进的基于SNIC超像素融合纹理特征和上下文内容的显著性目标检测算法。对图像进行SNIC超像素分割,基于超像素的距离、颜色得到超像素显著图;利用LBP算子得到图像的纹理显著图,将超像素显著图以及纹理显著图结合得到初级显著图,最后将初级显著图与CA模型下的显著图融合,得到最终显著图。基于MSRA10K数据集将该文算法与其他5种算法进行对比测试。结果表明:该文所提出的算法与其他现有的显著目标检测算法相比,该文算法可有效抑制相似背景的干扰,突出目标区域的纹理信息,并且具有较高的准确度和稳定性。

基于SNIC-CNN-SVM模型的京津风沙源二期工程区土地利用/土地覆盖遥感识别研究

稀疏植被覆盖(草地、沙地、戈壁)演变能够直接表征区域生态环境和人类活动的动态影响变化。但由于大尺度稀疏植被区一般都具有地理跨度大,景观结构复杂多样,破碎化程度高,现有地表覆盖分类产品针对性不足等问题,使得该区域内林草沙的遥感提取难度较大,精度普遍偏低,直接制约生态效应评价模型的应用效果。因此,以典型大尺度稀疏植被区——京津风沙源治理二期工程区为研究区,研建了SNIC-CNN-SVM(SCS)模型,实现了大尺度稀疏植被区林草沙典型要素的信息自动提取和主要土地利用/土地覆盖类型识别。研究结果表明:1)引入惩罚性机制优化后的SNIC分割算法,有效提升了稀疏植被区与沙地区的边界区分度,有助于分类精度的提升;2)基于改进SNIC-CNN-SVM模型方案的研究区总体分类精度达89.41%,较优化前提高了11.17%,特别是乔、灌、草、沙地和戈壁的分类识别精度显著提升,表明该优化方案在以研究区为代表的稀疏植被区域分类中具有较好的应用效果和推广价值;3)分类结果显示,2020年工程区草地面积最大,占到了一半以上(51.52%),沙地占比11.96%,稀疏植被覆盖(草地、沙地、戈壁)区域占比68.68%,表明工程区处在林地-稀疏植被-沙地的过渡地带,生态环境保护压力与防沙治沙形势依然严峻;4)近20年来,乔灌草等植被增加面积约占工程区20.64%,主要由沙化土地转化,沙化土地减少面积约占工程区的4.58%,表明研究区植被状况不断改善,实施的各项生态工程作用显著,能够更有效地服务于多维度生态系统服务功能评价。该研究以期能够为京津风沙源二期工程区的生态系统演变规律研究及生态工程评价等工作提供重要科学支撑。

基于多时相Sentinel-2影像和SNIC分割算法的优势树种识别

【目的】探究将简单非迭代聚类超像素分割算法(SNIC)融合到基于多时相数据的树种分类问题中,并对比分析不同时相数据组合对分类结果的影响,实现更高效、更精准的优势树种识别。【方法】以内蒙古旺业甸林场为研究区,在Google Earth Engine(GEE)云计算平台上利用多时相Sentinel-2多光谱数据提取波段反射率特征和光谱指数特征,采用SNIC和支持向量机(SVM)机器学习分类方法,实现面向对象的优势树种识别,并分析不同时相数据组合对优势树种识别精度的影响。【结果】多时相数据组合的分类精度明显高于各季节单时相数据。对比不同多时相数据组合分类结果,春、秋2个季节时间序列组合数据的分类精度与多季节组合数据结果相近,总体精度分别为94.5%、95.0%和95.8%。【结论】基于多时相Sentinel-2影像和SNIC分割算法的面向对象分类方法能够快速、准确识别优势树种,多季节组合数据的分类结果最优,春、秋2个季节时间序列数据也能获得较好分类结果,总体精度与最优结果差距较小。

融入辅助数据集的面向对象土地利用分类研究

土地利用分类结果对国土空间的管理至关重要。为提高土地利用分类结果的准确性,本文以博湖县为研究区,使用Sentinel-2A影像提取光谱特征,并结合雷达、光谱指数、土壤和地形特征构建6个面向对象的土地利用分类模型,使用简单非迭代聚类(SNIC)算法和随机森林(RF)算法对影像进行分割和分类,得出模型的分类精度以及特征重要性排序,最后使用分类回归树(CART)算法验证辅助数据集对提高分类精度的影响。结果表明:使用SNIC算法分割影像时,分别设置种子大小为17、紧凑度为0时,该研究区影像分割效果最好。基于RF分类算法,在只使用光谱信息进行分类时分类精度最低,加入雷达、光谱指数、土壤和地形特征中任何一个辅助数据集均可提高土地利用的分类精度,其中地形特征对提高分类精度的效果更显著,加入所有辅助数据集时分类精度达到最高,OA=92.34%,Kappa系数=0.91。使用CART算法进行分类有效性验证得出,基于RF算法的分类效果优于CART算法。基于遥感云平台的SNIC分割算法,融入辅助数据集进行面向对象分类,为提高土地利用分类精度提供参考。

基于自适应距离度量的改进超像素算法

针对SNIC(Superpixels and Polygons using Simple Non-Iterative Clustering)算法在进行距离度量时空间距离和颜色距离采用的距离比例系数恒定不变,而忽视了像素点的局部特点,提出了一种基于自适应距离度量的改进超像素算法。算法引入局部二值模式(Local Binary Pattern,LBP),计算并保留所有像素点的LBP值,在进行种子点更新时保存标签内像素LBP的平均值,并通过像素点与种子点的LBP值自适应地计算距离系数,采用新的距离公式计算距离并迭代更新。在C++环境下分别对所提算法与四种对比算法进行测试,在超像素个数均为600的情况下,所提算法在BSD500数据集上与经典的SNIC算法相比,在边界召回率方面提升3.9%,欠分割错误率降低1.1%。实验结果表明,所提算法能有效提升超像素分割质量。

复杂背景下多个绝缘子串红外图像分割方法

绝缘子保证了地面与载流体绝缘,在电力巡检中具有重要意义。通过红外热像仪可以快速准确地确定绝缘子的运行状态。针对复杂背景下,多个绝缘子串红外图像的分割问题,提出了一种新的方法。首先,使用通道阈值完成图像的初步分割;然后,通过霍夫变换的直线检测定位横向塔架,结合定向腐蚀法和全局形态学方法去除电线和横向塔架;最后,使用SNIC超像素分割算法结果与形态学处理结果进行匹配和定位,实现红外图像内多个绝缘子串的分割。实验结果表明,本方法处理后结果与参考图像的相似度达到88%,相比其他聚类分割算法可以有效地去除复杂背景,实现绝缘子串的精准分割。

GIC－4117／HC1．7MV Tandetron上的MeV离子注入系统

利用通用离子公司（ＧＩＣ）的４１１７型１．７ＭＶＴａｎｄｅｔｒｏｎ离子束分析设备进行ＭｅＶ级离子注入。所注入的离子能量范围由５００ｋｅＶ到１０ＭｅＶ，离子的质量在２４０ｕ以下，某些元素的负离子束流强度在１５０μＡ以上。双向机械扫描技术可将离子均匀地注入样片。

基于Kmeans++的自适应超像素投点方法

超像素分割作为目标分割的预处理环节,能够极大地减少后续处理的数据量,对图像分割起着至关重要的作用。在大部分超像素生成算法中,初始种子点的选取都是以规则网格或随机确定,这容易导致欠分割。为了得到良好的初始种子点分布,减少种子点选取引起的欠分割,提出了一种基于Kmeans++的自适应确定超像素种子点方法,并由此改进了简单非迭代聚类算法(Simple Non-Iterative Clustering,SNIC)。实验结果表明,在不耗费大量计算成本的前提下,改进的SNIC算法相比传统算法能够得到更高的边界召回率和更低的欠分割错误率。

铯溅射型负离子源中Cs~+离子产额的实验研究

通过电离表面的痕量分析和Ｃｓ＾＋离子产额的测量，研究了功函数、表面温度及铯通量等因素对铯溅型负离子源表面电离效率的影响。结合Ｌａｎｇｍｕｉｒ－Ｓａｈａ表面电离理论，提示Ｃｓ＾＋离子产额饱和的原因。提出一项改进措施－－透射型表面电离源，就其性能进行了讨论。

改进的简单非迭代聚类的遥感影像分割研究

简单线性迭代聚类(Simple Linear Iterative Clustering,SLIC)超像素算法依赖超像素设置数目的大小,容易产生欠分割或者过分割的现象,且运行速度不高。提出一种改进的简单非迭代聚类(Simple Non-Iterative Clustering,SNIC)超像素算法对遥感影像进行分割。采用SNIC超像素获取初始分割结果;利用动态阈值对原始影像进行分割;对影像进行两次作差,从而对SNIC分割结果进行修正;选取满足一定条件的分割线即为最终的分割结果。实验结果表明,该算法在分割精度、召回率和运行时间上都获得了令人满意的结果。

复旦大学的3MV串列静电加速器(英文)

一台美国国家静电公司(NEC)制造的、端电压为3MV的9SDH-2型串列加速器于1987年在复旦大学安装并投入运行。本文叙述了机器本身以及在第一年运转中所出现的问题和经验。加速器建立了三条束流管线:一条是超高真空靶室系统,用它已进行了Al(100)清洁表面的研究;另一条是微米束系统,已能提供2μm的质子束;第三条为通用束线,已用它研究了^(56)Fe的核共振对KX射线产额的影响。目前,在该束线上还进行离子束分析,如用8.8MeV He^(++)进行高Tc超导体非卢瑟福散射实验等。

基于Relief F-RFE特征优选的桉树人工林提取

针对信息冗余导致机器学习分类精度下降的问题,该文提出了一种结合Relief F和递归特征消除法(RFE)进行特征优选的桉树人工林面积提取方法。首先将Zhuhai-1和Sentinel-1卫星影像进行融合,通过结合Relief F和RFE进行特征优选,以减少信息冗余的影响。其次,基于光谱、红边指数、纹理特征、植被指数和后散射系数等特征,采用简单非迭代聚类(SNIC)面向对象和随机森林(RF)算法进行桉树人工林面积提取。最后,为验证Relief F-RFE模型在分类方面的性能表现,将其与无特征优选下基于Zhuhai-1和融合数据以及基于RF特征优选的分类结果进行对比分析。结果表明:利用Relief F-RFE优选特征能有效提高桉树人工林分类精度,总体精度达到96.43%,相比于无特征优选下基于Zhuhai-1和融合数据分类结果,总体精度分别提高14.95%和8.43%。在与RF特征选择方法进行对比时,总体精度有所增长,提高了7.55%。